2.2.2  基于数学模型的方法
这种方法的基本思想是在知道诊断对象数学模型的基础上，将被监测系统的正常模型与运行设备中的实际动态系统模型相比较，从比较后输出的残差来判断设备或控
制系统是否故障。这种方法能够将深知识和浅知识结合起来使用，对于缺乏案例和诊断经验(规则)的故障能起到预见作用，能够诊断系统中从未发生过的故障，但模型的建立比较困难，且对于大型被诊断系统计算量大。
2.2.3  信息融合
信息融合，有又称数据融合或传感器融合，其基本原理就是将来自多传感器或多源的信息和数据进行综合处理，提取有用信息，剔除冗余，从而得出更为准确可信的结论。信息融合能充分利用各种信息来提高确诊率，实现设备故障的综合诊断。
2.2.4  故障树分析法
故障树分析法TFA(Fault Tree Analysis)是一种安全性和可靠性分析技术，广泛应用于宇航、航空、核能、电子、化土、机械等工业部门，甚至在社会安全和经济管理领域内也得到了应用。它是一种自上而下逐层展开的演绎分析法，它以系统或设备最不希望发生的事件为顶，向下逐层找出导致该事件发生的全部原因(包括硬件、软件、环境、人为因素等)，然后以一种特殊的倒立树状逻辑因果关系图(故障树)来表示其间的逻辑关系，并进行定性、定量的安全性和可靠性分析。在实际应用中故障树常用于系统的故障分析、预测和诊断，找出系统的薄弱环节，以便在设计、制造和使用中采取相应的改进措施。近年来，利用故障树模型进行故障源搜寻的研究引起了人们的注意，它兼顾了基于规则和基于定量模型诊断的优点，为系统的故障搜寻提供了一种有效的途径。故障树分析法经过多年的应用和研究，逐渐完善，被公认为可靠性分析和故障诊断的一种简单、有效方法。
故障树分析法的特点[8]:
(1)直观性强。能把系统的故障与其成因(直接得、间接的、硬件的、环境的和人为的等)形象地表现为故障因果链和故障谱；
(2)灵活性强。可以反映系统内外因素、环境及人为因素的作用；
(3)通用性强。在设计、研制、使用与文修各阶段能发挥作用。
2.2.5  神经网络诊断法
神经网络将己有数据和已知故障模式作为样本，通过学习得出数据量与故障模式间的映射关系，实现了对人类经验思文的模拟。与专家系统相比，基于神经网络的故障诊断系统具有如下优点:统一的内部知识表示形式，大量知识规则都可通过对范例的学习存储于一个相对小得多的神经网络的连接权重中，便于知识库的组织与管理，通用性强、知识容量大;便于实现知识的自动获取，能够自适应环境的变化；推理过程为并行的数值计算过程，推理速度快;具有联想、记忆、类比等形象思文能力，可以工作于所学习过的知识以外的范围；将知识表示、存储和推理三者融为一体。但是由于神经网络只是从己知样本中得到解决问题的能力，故仍存在一些局限性，表现为对奇异模式的判断力较差、对结论及其过程缺乏解释能力、忽视了领域专家的经验知识等。
2.2.6  专家系统
专家系统是人工职能研究中的一个重要应用领域，与自然语言理解、机器人一起并列为人工智能研究最活跃的三大领域。专家诊断系统是针对设备故障特征、机理以及故障的处理而建立的设备智能诊断专家库。专家库在系统运行期间，每遇到一个新型故障，就将其作为事例加入到事例库。事例库描述了故障的特征、机理以及故障的处理措施，通过融合神经网络推理、模糊逻辑推理、专家系统推理技术，使系统不断学习，不断更新扩充知识，从而不断完善智能诊断专家库。并且把完善的专家系统及时反馈到现场诊断系统[11]。 LabVIEW虚拟仪器的惯导故障诊断软件设计(6):http://www.youerw.com/zidonghua/lunwen_4185.html